CN109408905A - 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 - Google Patents
一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 Download PDFInfo
- Publication number
- CN109408905A CN109408905A CN201811154035.5A CN201811154035A CN109408905A CN 109408905 A CN109408905 A CN 109408905A CN 201811154035 A CN201811154035 A CN 201811154035A CN 109408905 A CN109408905 A CN 109408905A
- Authority
- CN
- China
- Prior art keywords
- wolf
- alpha
- algorithm
- grey
- psrr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Amplifiers (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明涉及到一种Alpha导向灰狼算法及其它在两级运算放大器设计中的应用,属于群体智能算法的改进及应用领域。其特征在于:在灰狼算法中引入了Alpha导向机制,给狼群领导集团提供了潜在猎物的方向,进而提高算法的收敛速度;标准GWO如长时间陷入局部最优,种群就集中在Alpha、Beta、Delta附近区域且很难从中跳出,本发明在灰狼算法中引入Alpha变异机制,为种群跳出局部最优提供了渠道;在本发明中,算法参数采用标量化设计,算法结构得到简化。在两级无缓冲CMOS运算放大器优化设计的应用中,具有良好的寻优效果。
Description
技术领域
本发明属于群体智能优化算法的改进和应用领域,涉及到一种新颖的灰狼种群导向机制、一种新颖的灰狼变异机制以及一种新颖的灰狼算法结构参数。
背景技术
随着模拟集成电路的不断发展,设计的复杂性逐渐提高、需求不断增加,手工计算设计难度将越来越大,设计周期会更长,多目标和多约束性,使得模拟集成电路设计成为一个带约束的多目标优化问题,为兼顾模拟集成电路设计各项需求,要求电路设计者具备充足的设计经验,然而这也满足不了当前竞争激烈的市场需求,模拟集成电路参数优化设计辅助工具已成为一种迫切需要,图1中给了一种基本的两级无缓冲CMOS运算放大器的拓扑结构图。一些群体智能优化算法等其它自动化设计工具相继被提出。
受自然界灰狼的社会等级和狩猎行为的启发,灰狼优化算法(GWO)于2014年被提出。在自然界中,狼群的社会等级划分为四个等级,从上到下分别是Alpha(α)狼、Beta(β)狼、Delta(δ)狼和Omega(ω)狼群,如图2所示。Alpha狼主要负责决定狼群狩猎、睡觉的地点、醒来的时间等等,它是狼群的领导者。Beta狼是帮助Alpha狼做决策者或其他群体活动的下属狼。Beta狼可以是雄性也可以是雌性,如果其中一只Alpha狼去世或者变得很老,它将成为Alpha狼的最佳选择。Beta狼应该尊重Alpha狼的所有决定,但同时指挥其他较低等级的狼。Delta狼必须服从Alpha和Beta,但它们指挥Omega狼群,侦查员、哨兵、长者、捕食者和看守者属于这一类。侦察员负责监视领地的边界,并在有危险的情况下发出警报。哨兵保护和保证狼群的安全性。长者是经验丰富的狼,曾经是Alpha或Beta。捕食者在狩猎猎物时为Alpha和Beta提供帮助,并为猎物提供食物。最后,看护者负责照顾那些虚弱、生病和受伤的狼群。等级最低的灰狼是Omega狼群,它们扮演替罪羊的角色,并不得不屈服于其他所有的狼群,它们是最后一批被允许食用的狼。看起来,它们在群体中并不重要,但根据观察发现,狼群在失去Omega的情况下,整个群体面临着内部斗争和问题。这是由于Omega释放了所有狼的暴力和挫败感。这有助于满足整个狼群并保持优势结构。在某些情况下,Omega也是狼群中的保姆。灰狼的捕食行为分为三个阶段:跟踪和接近猎物,追捕和包围猎物,攻击猎物。
在GWO算法中,狩猎(优化)是由Alpha、Beta和Delta狼来引导的,Omega狼群跟随这三匹狼。根据29个基准函数的测试结果,GWO算法能够提供非常有竞争力的结果。但在狼群进化过程,Alpha狼的进化受等级低于其的Beta和Delta狼影响,Beta狼的进化受等级低于其的Delta狼影响,这不利于种群的快速收敛,在算法中引入一种有效的机制来引导Alpha、Beta和Delta狼进化寻优,显得十分必要。
发明内容
本发明的目的在于提高灰狼算法的收敛速度和精度,降低计算机计算时间,用以解决两级无缓冲CMOS运算放大器优化设计问题。其特征在于在灰狼算法中引入了Alpha导向机制、Alpha变异机制,算法参数标量化设计,主要包括以下几个步骤:
步骤一:以两级运算放大器的开环增益Av为优化目标,以单位增益带宽UGB、摆率SR、晶体管的总面积TA、正电源抑制PSRR+、负电源抑制PSRR-、静态功耗Pdiss、相位裕度PM以及结构条件为约束条件,建立如下数学模型:
consider X=[x1,x2,…,x10]=[S1,…,S8,I6,Cc]
min f(X)=EAv/Av=EAv/(201g(2gm1gm6/(x9I6(λ2+λ4)(λ6+λ7)))
s.t g1(X)=EUGB/UGB=EUGB/(gm1/(x10+A2Cgd6))≤1
g2(X)=ESR/SR=ESR/(x9/x10)≤1
g4(X)=EPSRR+/PSRR+=EPSRR+/201g(2gm1gm6/(x9λ6I6(λ2+λ4)))≤1
g5(X)=EPSRR-/PSSR-=EPSRR-/201g(2gmlgm6/(x9λ7I6(λ2+λ4)))≤1
g6(X)=Pdiss/EPdiss=(VDD-VSS)(2x9+I6)/1000/EPdiss≤1
g7(X)=10gm2/gm6≤1
g8(X)=0.122CL/x10≤1
g9(X)=10UGB/P3≤1
h1X)=x1-x2=0,h2(X)=x3-x4=0
h3(X)=x5-x8=0,
where gm1=gm2=(K′nx1x9)0.5
gm3=gm4=(K′px3x9)0.5
gm6=gm4x6/x4
A2=gm6/(I6(λ6+λ7))
Cgd6=CGDOP·x6·L
P3=gm3/(4/3·COXx3L2)
Range x1,...,8∈[1,50],x9∈(0,30],x10∈(0,10]
式中,Si,i=1,..,8,L,gm,TA表示晶体管的宽长比、长度、跨导、总面积,E*表示*指标的期望值,K′n,K′P分别表示NMOS、PMOS的本征导电因子,CGDOP表示PMOS栅漏重叠电容器。
步骤二:算法参数以及狼群位置初始化;
步骤三:Alpha狼导向机制导向;
GWO算法假设Alpha、Beta和Delta狼对潜在的猎物有更好的了解,它们引导整个狼群的搜索进化。当Alpha狼被更新时,与上一代Alpha狼的位置相比,一些维度坐标变小,一些变大,剩下的保持不变。对于坐标变化的维度,如果新的Alpha狼的适应度比上一代更好,则可以认为在Alpha狼在这些维度上正朝着更好的位置移动,猎物更可能存在这些方向上。故在GWO中引入了Alpha引导进化机制,以Alpha狼的进化方向引导整个狼群朝该方向进化,其2D示意图如图3所示,其算法流程图如图4所示。
步骤四:灰狼狩猎操作,并对狼群进行适应度评估;
为了简化算法结构参数,算法采用标量参数A和C,即在进化过程中,灰狼位置各个维度上具有相同的狩猎系数。为了突出Alpha狼的领导地位,在捕食过程中为Alpha、Beta和Delta狼重新分配的权值.灰狼的捕食行为分为三个阶段:跟踪和接近猎物,追捕和包围猎物,攻击猎物。其中灰狼跟踪和接近猎物阶段由以下三个式子模拟:
Dα=|C1*Xα-X|
Dβ=|C2*Xβ-X|
Dδ=|C3*Xδ-X|
灰狼X追捕和包围猎物阶段由以下三个式子模拟:
X1=Xα-A1*Dα
X2=Xβ-A2*Dβ
X3=Xδ-A3*Dδ
灰狼X捕食猎物阶段由下式模拟:
X(t+1)=0.5·X1(t)+0.3·X2(t)+0.2·X3(t)
步骤五:Alpha狼变异操作;
标准GWO如长时间陷入局部最优,种群就集中在Alpha、Beta、Delta附近区域且很难从中跳出,为此,在灰狼算法中引入Alpha变异机制,分别通过以下两种不同方式产生两个不同的变异狼:
方式一:将Alpha狼的位置坐标在可行域中镜像映射到可行域的另一侧,如下式:
方式二:将Alpha狼进行高斯变异,如下式:
其中Guassian(1,1)表示方差为1,平均值为1的高斯分布。
步骤六:对变异狼进行适应度评估,选取当前种群中适应度度最好的三匹狼,分别命名为Alpha、Bea和Delta,并记录当前种群中的最优个体;
步骤七:终止检验。判断算法是否满足终止条件,如果当前进化代数t小于最大进化代数Gmax,则返回步骤三,并令t=t+1,否则,终止算法,输出最优值。
本发明的优点在于:
1)在不影响种群多样性的前提下,引入了Alpha引导机制来引导狼群决策集团的Alpha、Beta、Delta狼的进化,使其能够具有猎物潜在位置的先验知识,进而提高算法的收敛速度。
2)标准GWO如长时间陷入局部最优,种群就集中在Alpha、Beta、Delta附近区域且很难从中跳出,Alpha变异机制的引入,使得算法在陷入局部最优的情况下,有能力从局部最优点中跳出,寻找全局最优解。
3)在标准的GWO中,A和C是向量系数,即不同的维度具有不同的系数。在种群进化过程中,各个维度的坐标具有很大的随机性分布。但有时这并不利于Omega狼接近Alpha、Beta、Delta狼。在本发明中,A和C是标量系数,即每个维度具有相同的系数,这大大降低了算法的时间复杂度。
附图说明
图1是本发明的应用对象两级无缓冲CMOS运算放大器拓扑结构图。
图2是灰狼算法的社会等级示意图。
图3是Alpha导向机制原理示意图。
图4是Alpha导向机制流程图。
图5是本发明的算法流程图。
具体实施方式
一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用,应用对象两级无缓冲CMOS运算放大器的拓扑结构图如图1所示,一种Alpha导向灰狼算法特征在于包括以下步骤:
步骤一:以两级运算放大器的开环增益Av为优化目标,以单位增益带宽UGB、摆率SR、晶体管的总面积TA、正电源抑制PSRR+、负电源抑制PSRR-、静态功耗Pdiss、相位裕度PM以及结构条件为约束条件,建立如下数学模型:
consider X=[x1,x2,…,x10]=[S1,…,S8,I6,Cc]
min f(X)=EAv/Av=EAv/(201g(2gm1gm6/(x9I6(λ2+λ4)(λ6+λ7)))
s.t g1(X)=EUGB/UGB=EUGa/(gm1/(x10+A2Cgd6))≤1
g2(X)=ESR/SR=ESR/(x9/x10)≤1
g4(X)=EPSRR+/PSRR+=EPSRR+/201g(2gm1gm6/(x9λ6I6(λ2+λ4)))≤1
g5(X)=EPSRR-/PSSR-=EPSRR-/201g(2gm1gm6/(x9λ7I6(λ2+λ4)))≤1
g6(X)=Pdiss/EPdiss=(VDD-VSS)(2x9+I6)/1000/EPdiss≤1
g7(X)=10gm2/gm6≤1
g8(X)=0.122CL/x10≤1
g9(X)=10UGB/P3≤1
h1X)=x1-x2=0,h2(X)=x3-x4=0
h3(X)=x5-x8=0,
where gm1=gm2=(K′nx1x9)0.5
gm3=gm4=(K′px3x9)0.5
gm6=gm4x6/x4
A2=gm6/(I6(λ6+λ7))
Cgd6=CGDOP·x6·L
P3=gm3/(4/3·COXx3L2)
Range x1,...,8∈[1,50],x9∈(0,30],x10∈(0,10]
式中,Si,i=1,..,8,L,gm,TA表示晶体管的宽长比、长度、跨导、总面积,E*表示*指标的期望值,K′n,K′P分别表示NMOS、PMOS的本征导电因子,CGDOP表示PMOS栅漏重叠电容器。
步骤二:算法参数以及狼群位置初始化;
初始化参数α=2,t=0,狼群大小为N=30,最大进化代数Gmax=500,狼群中第i个个体可表示为:
Xi=(x1,x2,…,xn),i=1,…,N
根据如下两式计算参数A和C:
A=2a*r1-a
C=2*r2
式中r1、r2为为产生在[0,1]之间的维随机数,令A=A*[1,1,..,1]1×n,C=C*[1,1,..,1]1×n,需要说明的是狼群每个个人都具有其独有参数A和C。
种群的搜索可行域为[Xmin,Xmax],当t=0时,狼群位置初始化为:
Xi=Xmin+rand(1,D)·(Xmax-Xmin),i=1,…,N
其中rand(1,D)为产生在[0,1]之间的1×D维随机数。
步骤三:Alpha狼导向机制导向;
将当前代Alpha狼的位置用Xa表示,上一代Alpha狼的位置用Xa’表示,如当前代Alpha狼的适应度非优于上一代Alpha狼,则退出导向机制,否则按下式计算Alpha狼进化偏移方向AUD:
AUD=Xα-X′α
按照如下几个步骤分别更改Alpha、Beta、Delta狼的系数A的方向:
1)令Dir=A*AUD
2)将Dir中大于0的维度集合命名为Sign,并将A中Sign里对应的所有维度坐标取反。
其算法流程图如图4所示。
步骤四:灰狼狩猎操作,并对狼群进行适应度评估;
灰狼的捕食行为分为三个阶段:跟踪和接近猎物,追捕和包围猎物,攻击猎物。其中灰狼跟踪和接近猎物阶段由以下三个式子模拟:
Dα=|C1*Xα-X|
Dβ=|C2*Xβ-X|
Dδ=|C3*Xδ-X|
灰狼X追捕和包围猎物阶段由以下三个式子模拟:
X1=Xα-A1*Dα
X2=Xβ-A2*Dβ
X3=Xδ-A3*Dδ
灰狼X捕食猎物阶段由下式模拟:
X(t+1)=0.5·X1(t)+0.3·X2(t)+0.2·X3(t)
灰狼奔向指定位置完成捕食后,将对狼群中各个个体进行适应度评估。
步骤五:Alpha狼变异操作;
标准GWO如长时间陷入局部最优,种群就集中在Alpha、Beta、Delta附近区域且很难从中跳出,为此,在灰狼算法中引入Alpha变异机制,分别通过以下两种不同方式产生两个不同的变异狼:
方式一:将Alpha狼的位置坐标在可行域中镜像映射到可行域的另一侧,如下式:
方式二:将Alpha狼进行高斯变异,如下式:
其中Guassian(1,1)表示方差为1,平均值为1的高斯分布,新产生的变异狼将直接替换步骤四狼群中适应度最差的两个个体。
步骤六:对变异狼进行适应度评估,选取当前种群中适应度度最好的三匹狼,分别命名为Alpha、Bea和Delta,并记录当前种群中的最优个体;
步骤七:根据下式更新参数ɑ、A和C:
a=2*t/Gmax
A=2a*r1-a
C=2*r2
步骤八:终止检验。判断算法是否满足终止条件,如果当前进化代数t小于最大进化代数Gmax,则返回步骤三,并令t=t+1,否则,终止算法,输出最优值。
Claims (5)
1.一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用,其特点主要包括以下步骤:
步骤1:通过对两级无缓冲CMOS运算放大器的数学建模,确定影响两级无缓冲CMOS运算放大器性能指标的各个变量以及变化范围,建立两级无缓冲CMOS运算放大器参数优化的目标函数。
两级无缓冲CMOS运算放大器的优化设计就是通过调节各CMOS尺寸、偏置电流、补偿电容,使得其各性能指标达到最佳。以两级运算放大器的开环增益Av为优化目标,以单位增益带宽UGB、摆率SR、晶体管的总面积TA、正电源抑制PSRR+、负电源抑制PSRR-、静态功耗Pdiss、相位裕度PM以及结构条件为约束条件,建立如下数学模型:
consider X=[x1,x2,…,x10]=[S1,…,S8,I6,Cc]
min f(X)=EAv/Av=EAv/(20lg(2gm1gm6/(x9I6(λ2+λ4)(λ6+λ7)))
s.t g1(X)=EUGB/UGB=EUGB/(gm1/(x10+A2Cgd6))≤1
g2(X)=ESR/SR=ESR/(x9/x10)≤1
g4(X)=EPSRR+/PSRR+EPSRR+/201g(2gm1gm6/(x9λ6I6(λ2+λ4)))≤1
g5(X)=EPSRR-/PSSR-EPSRR-/201g(2gm1gm6/(x9λ7I6(λ2+λ4)))≤1
g6(X)=Pdiss/EPdiss=(VDD-VSS)(2x9+I6)/1000/EPdiss≤1
g7(X)=10gm2/gm6≤1
g8(X)=0.122CL/x10≤1
g9(X)=10UGB/P3≤1
h1X)=x1-x2=0,h2(X)=x3-x4=0
where gm1=gm2=(K′nx1x9)0.5
gm3=gm4=(K′px3x9)0.5
gm6=gm4x6/x4
A2=gm6/(I6(λ6+λ7))
Cgd6=CGDOP·x6·L
P3=gm3/(4/3·COXx3L2)
Range x1,…,8∈[1,50],x9∈(0,30],x10∈(0,10]
式中,Si,i=1,...,8,L,gm,TA表示晶体管的宽长比、长度、跨导、总面积,E*表示*指标的期望值,K′n,K′P分别表示NMOS、PMOS的本征导电因子,CGDOP表示PMOS栅漏重叠电容器。
步骤:2:狼群位置以及算法参数初始化;
步骤3:Alpha狼导向机制导向;
步骤4:灰狼狩猎操作,并对狼群进行适应度评估;
步骤5:Alpha狼变异操作;
步骤6:步骤六:对变异狼进行适应度评估,选取当前种群中适应度度最好的三匹狼,分别命名为Alpha、Bea和Delta,并记录当前种群中的最优个体;
步骤7:终止检验。判断算法是否满足终止条件,如果当前进化代数t小于最大进化代数Gmax,则返回步骤3,并令t=t+1,否则,终止算法,输出最优值。
2.根据权利要求1所述的一种Alpha导向灰狼算法,其特征在于:Alpha狼的进化偏移方向引导Alpha、Beta和Delta狼进化寻优,包括以下步骤:
1)判断当前代Alpha狼的适应度值是否优于上一代Alpha狼;
2)如步骤1的判断结果是的肯定的,则计算Alpha狼的进化偏移方向,进入步骤3,否则退出引导机制;
3)根据步骤2计算的Alpha进化偏移方向,引导Alpha、Beta和Delta狼向该方向进化更新。
3.根据权利要求2所述的一种Alpha导向灰狼算法,其特征在于:为了突出Alpha狼在狼群中的主导地位,加强Alpha引导机制的引导力度,灰狼在攻击猎物时的数学模型:
X(t+1)=0.5·X1(t)+0.3·X2(t)+0.2·X3(t)
4.根据权利要求3所述的一种Alpha导向灰狼算法,其特征在于:种群各个体位置进化更滑跟新完毕后,对Alpha狼进行变异操作,产生两匹变异狼,其分别一下两种变异方式产生:
1)可行域镜像映射变异:
2)高斯变异:
5.根据权利要求4所述的一种Alpha导向灰狼算法,其特征在于:灰狼在狩猎过程中,参数A和C使用的是标量随机数,而非随机矢量,即在进化过程中,灰狼位置各个维度上具有相同的狩猎系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154035.5A CN109408905B (zh) | 2018-09-30 | 2018-09-30 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811154035.5A CN109408905B (zh) | 2018-09-30 | 2018-09-30 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109408905A true CN109408905A (zh) | 2019-03-01 |
CN109408905B CN109408905B (zh) | 2023-05-12 |
Family
ID=65465723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811154035.5A Active CN109408905B (zh) | 2018-09-30 | 2018-09-30 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408905B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159264A (zh) * | 2020-11-12 | 2021-07-23 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
CN114139484A (zh) * | 2021-11-26 | 2022-03-04 | 湖南大学 | 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
US20180183703A1 (en) * | 2016-12-12 | 2018-06-28 | Tsinghua University | Communication Locality Oriented High-Radix Interconnection Network and Adaptive Routing Algorithm Design |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
-
2018
- 2018-09-30 CN CN201811154035.5A patent/CN109408905B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
US20180183703A1 (en) * | 2016-12-12 | 2018-06-28 | Tsinghua University | Communication Locality Oriented High-Radix Interconnection Network and Adaptive Routing Algorithm Design |
CN107067121A (zh) * | 2017-06-13 | 2017-08-18 | 广东工业大学 | 一种基于多目标的改进灰狼优化算法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159264A (zh) * | 2020-11-12 | 2021-07-23 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
CN113159264B (zh) * | 2020-11-12 | 2022-06-21 | 江西理工大学 | 一种入侵检测方法、系统、设备及可读存储介质 |
CN114139484A (zh) * | 2021-11-26 | 2022-03-04 | 湖南大学 | 一种基于改进鲸鱼算法的cmos电流模式d类功率放大器优化设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109408905B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khuntia et al. | Simulation study for automatic generation control of a multi-area power system by ANFIS approach | |
Yakout et al. | Marine predator algorithm based cascaded PIDA load frequency controller for electric power systems with wave energy conversion systems | |
CN109408905A (zh) | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 | |
DE69718373T2 (de) | Kühlschrank mit Regelung der Lüftergeschwindigkeit und der Stellung einer rotierenden Luftführungsklappe, sowie Verfahren zur dessen Herstellung | |
El-Bardini et al. | Direct adaptive interval type-2 fuzzy logic controller for the multivariable anaesthesia system | |
CN108895618B (zh) | 基于神经网络的空调控制方法 | |
Marrero et al. | Adaptive fuzzy modeling of the hypnotic process in anesthesia | |
Gupta et al. | Robust generation control strategy based on grey wolf optimizer | |
Yang et al. | A new type of adaptive fuzzy PID controller | |
CN111541250A (zh) | 一种电压检测型apf的本地控制方法和系统 | |
Kosmidou et al. | A linear matrix inequality approach for guaranteed cost control of systems with state and input delays | |
Zhang et al. | Fuzzy PID control system optimization and verification for oxygen-supplying management in live fish waterless transportation | |
CN111539508A (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
Abood et al. | Design of adaptive neuro sliding mode controller for anesthesia drug delivery based on biogeography based optimization | |
Szeles et al. | Model-based angiogenic inhibition of tumor growth using adaptive fuzzy techniques | |
CN111513839A (zh) | 电外科手术系统及控制方法 | |
KR100310609B1 (ko) | 퍼지전문가장치를이용한피아이디제어기의계수조정장치및그의제어방법 | |
Moore et al. | Fuzzy control for closed-loop, patient-specific hypnosis in intraoperative patients: A simulation study | |
Fan et al. | An intelligent control approach for blood pressure system using self-generating fuzzy neural networks | |
Aziz et al. | Design of fuzzy proportional plus fractional-order integral-derivative controller | |
Lin et al. | The maximum sustainable yield of Allee dynamic system | |
Coelho et al. | Tuning Analog PID Controllers by Multi-Objective Genetic Algorithms with Fuzzy Aggregation. | |
CN117971023B (zh) | 控制信号的确定方法、装置、存储介质及电子设备 | |
Aleshkin et al. | Adaptive hybrid climate control in the manufacture of microelectronics | |
Chidentree et al. | Biological systems drug infusion controller using FREN with sliding bounds |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |